Pytorch系列之——模型创建与nn.Module

最新推荐文章于 2023-07-03 14:40:16 发布

Despacito1006

最新推荐文章于 2023-07-03 14:40:16 发布

阅读量441

点赞数

分类专栏： PyTorch 文章标签：深度学习神经网络

本文链接：https://blog.csdn.net/Despacito1006/article/details/108397717

版权

本文详细介绍了如何使用PyTorch的nn.Module创建深度学习模型，包括模型创建的步骤、nn.Module的属性以及子模块的构建与拼接。通过LeNet模型的构建过程，阐述了__init__()和forward()函数在模型构造中的作用，以及nn.Module的parameters和modules等8个重要有序字典的管理机制。

摘要由CSDN通过智能技术生成

模型创建与nn.Module

网络模型创建步骤
nn.Module属性

在学习模型创建步骤之前，回顾一下前面提到的机器学习模型训练的五大步骤，即：数据、模型、损失函数、优化器和迭代训练。这次我们主要谈论模型模块这部分。
在这里插入图片描述对于模型模块，首先分为两大部分分别是模型的创建和模型权值的初始化。其中在模型创建模块，有分为构建网络层和拼接网络层这两个子模块，我们通过构建类似卷积层、池化层和激活函数层等子模块，再根据一定的顺序或拓扑结构将这些子模块拼接起来，最后就可以构建成类似LeNet、AlexNet和ResNet等深度神经网络。而这些都是基于pytorch中的nn.Module模块来实现的，这是根本也是关键之处。
在人民币二分类实验中，已经实现过了一个神经网络LeNet，这里进行回顾：
在这里插入图片描述可以看到LeNet由7层网络子模块构成，分别是卷积层1，池化层1，卷积层2，池化层2，全连接层1，全连接层2和全连接层3。在构建好这7个子模块之后，我们会将它们按一定的顺序进行连接，之后进行包装即可得到LeNet。
下面从计算图的角度来观察LeNet模型的构建：
在这里插入图片描述计算图前面介绍张量的时候也涉及过，计算图中有两个主要的元素，一个是节点一个是边，节点表示数据，边就是运算。LeNet的模型运算过程是比较复杂的，首先需要对数据（图像）进行卷积操作得到28 x 28 x 6的图像，之后再进行池化处理得到14 x 14 x 6的图像，这样不断地向前向传播，最终得到输出概率。